一种水电机组健康状态实时综合评估方法及系统技术方案

本发明专利技术提供一种水电机组健康状态实时综合评估方法及系统，包括：确定训练好的健康模型；实时获取水电机组的有功功率、水头及各关键测点的实时状态监测量，将有功功率和水头输入至训练好的健康模型，得到各个关键测点的健康状态监测量；分别构建各个关键测点健康状态监测量和实时状态监测量的高斯云模型，并实时计算各关键测点两个高斯云模型的云相似度，且基于云相似度确定各个关键测点的健康指标；其中，某个关键测点的云相似度越高，其健康指标值越小；基于各个关键测点的权重融合各个关键测点的实时健康指标确定水电机组的实时综合健康状态。本发明专利技术能够对机组健康状态进行全面综合的评估。综合的评估。综合的评估。

【技术实现步骤摘要】
一种水电机组健康状态实时综合评估方法及系统


[0001]本专利技术属于水电机组性能监测领域，更具体地，涉及一种水电机组健康状态实时综合评估方法及系统。

技术介绍

[0002]水电机组作为水能转换的关键设备，在电力系统中承担着发电、调峰、调频等重要任务。然而，由于水电机组工作条件复杂多变，工作环境恶劣，随着运行时间积累，机组各部件的性能逐渐下降甚至演变为故障，影响机组的安全、稳定、高效运行。近年来，水电机组的状态检修维护策略受到越来越多关注，避免了传统计划检修和事后维修易造成过度检修或未及时检修的问题，降低了检修成本，提高了电站综合效益。因此，准确的评估机组健康实时状态，对有效开展状态检修，进而降低水电机组故障率具有重要意义。
[0003]现有研究未考虑工况条件影响对水电机组现场实测信号进行清洗，同时机组健康状态受多种因素影响，状态评估时应考虑多源评估指标全面评估机组健康状态。此外，监测信号实时变化具有不确定性，构建水电机组健康指标时应充分考虑不确定性信息，多源指标融合时应兼顾各指标的本质特点及动态变化特性。为了准确评估机组运行状态，为状态维修提供技术支持，亟需开展水电机组健康状态实时综合评估。

技术实现思路

[0004]针对现有技术的缺陷，本专利技术的目的在于提供一种水电机组健康状态实时综合评估方法及系统，旨在解决现有水电机组健康状态评估时数据预处理不足、健康模型仅考虑单一测点、健康指标构建未考虑信号变化不确定性、不能实时综合评估机组整体状态等问题。
[0005]为实现上述目的，第一方面，本专利技术提供了一种水电机组健康状态实时综合评估方法，包括以下步骤：
[0006]确定训练好的健康模型；所述健康模型用于拟合水电机组的有功功率、水头与机组状态监测量之间的映射关系，所述状态监测量为机组健康状态下各个关键测点的振动量或压力脉动量；
[0007]实时获取水电机组的有功功率、水头及各关键测点的实时状态监测量，将有功功率和水头输入至训练好的健康模型，得到各个关键测点的健康状态监测量；
[0008]分别构建各个关键测点健康状态监测量和实时状态监测量的高斯云模型，并实时计算各关键测点两个高斯云模型的云相似度，且基于云相似度确定各个关键测点的健康指标；其中，某个关键测点的云相似度越高，其健康指标值越小；
[0009]基于各个关键测点的权重融合各个关键测点的实时健康指标确定水电机组的实时综合健康状态；其中，实时综合健康状态的数值越小，水电机组的健康状态越好。
[0010]在一个可能的示例中，所述健康模型的训练过程如下：
[0011]获取水电机组正常状态历史运行数据，采用多尺度数据清洗方法清洗数据中异常
点，构建有效健康数据集；所述运行数据包括：有功功率、水头及监测点状态监测量；
[0012]采用综合相关性分析方法从海量监测点数据中筛选与水电机组运行状态最相关的关键测点，作为机组多源健康评估指标；
[0013]以有效健康数据集中水电机组的有功功率和水头作为工况参数输入健康模型，以水电机组各个关键测点的状态监测量为输出标签，训练各个关键测点对应的健康模型。
[0014]在一个可能的示例中，所述采用多尺度数据清洗方法清洗数据中异常点，构建有效健康数据集，具体为：
[0015]将水电机组正常状态历史运行数据输入基于密度的空间噪点聚类算法模型中，以将明显离群点初次滤波，得到相对密集的数据样本；
[0016]将初次滤波后密集数据样本的工况参数输入高斯混合模型中划分为多个工况区间，以所得高斯分布概率密度函数作为各工况区间运行的工况概率，以各工况区间内工况概率密度均值负对数似然概率的一半作为该工况区间下振动信号的清洗密度阈值；其中，所述密集数据样本的工况参数包括：有效功率和水头；
[0017]根据各工况区间清洗密度阈值，采用基于密度的空间噪点聚类算法逐工况区间分别对将初次滤波后密集数据样本继续进行清洗，剔除密集异常点，得到有效健康数据集。
[0018]在一个可能的示例中，所述采用综合相关性分析方法从海量监测点数据中筛选与水电机组运行状态最相关的关键测点，具体为：
[0019]分别计算水电机组工况参数与海量监测点处状态监测量之间的皮尔逊相关系数、最大信息系数和灰色关联度，并对各个监测点的皮尔逊相关系数、最大信息系数和灰色关联度取平均值得到该监测点的综合相关度；
[0020]取综合相关度大于相关性阈值的多个监测点作为与关键测点。
[0021]在一个可能的示例中，分别构建各个关键测点健康状态监测量和实时状态监测量的高斯云模型，并实时计算各关键测点两个高斯云模型的云相似度，且基于云相似度确定各个关键测点的健康指标，具体为：
[0022]分别将各个关键测点的健康状态监测量和实时状态监测量输入高斯云模型，得到各个关键测点对应的两个高斯云，并确定高斯云的三个数值特征：期望、熵和超熵；
[0023]将两个高斯云的三个数值特征分别作为三维坐标映射到三维空间中，两个高斯云映射到三维空间中可视为两个点，两点间距离采用欧式距离计算；
[0024]以高斯云映射到三维空间中两点的距离D
IJ
代表两个高斯云之间的相似度，两点间距离越大两个高斯云分布相似性度越小；反之，两点越接近甚至重合，则两个高斯云分布相似度越大；
[0025]基于云相似度确定各个关键测点的健康指标HI，具体为：
[0026]在一个可能的示例中，基于各个关键测点的权重融合各个关键测点实时的健康指标确定水电机组的实时综合健康状态，具体为：
[0027]通过下式计算得水电机组实时综合健康状态RCHI：
[0028][0029]其中，HI
i
表示第i个关键测点的健康指标，表示第i个关键测点的权重，m表示
关键测点的总数。
[0030]在一个可能的示例中，第i个关键测点的权重通过如下步骤确定：
[0031]采用自调节层次分析法确定各个关键测点的先验权重W
pr
；
[0032]采用信息熵计算各个关键测点的动态权重W
var
，通过下式计算：
[0033][0034][0035]其中，e
i
为第i个评价指标的信息熵，N为样本个数，HI
ij
为第i个关键测点在第j个时刻的健康指标，为第i个关键测点的动态权重，
[0036]各个关键测点的权重，通过下式计算：
[0037][0038]第二方面，本专利技术提供了一种水电机组健康状态实时综合评估系统，包括：
[0039]健康模型确定单元，用于确定训练好的健康模型；所述健康模型用于拟合水电机组的有功功率、水头与机组状态监测量之间的映射关系，所述状态监测量为机组健康状态下各个关键测点的振动量或压力脉动量；
[0040]健康状态监测单元，用于实时获取水电机组的有功功率、水头及各关键测点的实时状态监测量，将有功功率和水头输入至训练好的健康模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水电机组健康状态实时综合评估方法，其特征在于，包括以下步骤：确定训练好的健康模型；所述健康模型用于拟合水电机组的有功功率、水头与机组状态监测量之间的映射关系，所述状态监测量为机组健康状态下各个关键测点的振动量或压力脉动量；实时获取水电机组的有功功率、水头及各关键测点的实时状态监测量，将有功功率和水头输入至训练好的健康模型，得到各个关键测点的健康状态监测量；分别构建各个关键测点健康状态监测量和实时状态监测量的高斯云模型，并实时计算各关键测点两个高斯云模型的云相似度，且基于云相似度确定各个关键测点的健康指标；其中，某个关键测点的云相似度越高，其健康指标值越小；基于各个关键测点的权重融合各个关键测点的实时健康指标确定水电机组的实时综合健康状态；其中，实时综合健康状态的数值越小，水电机组的健康状态越好。2.根据权利要求1所述的方法，其特征在于，所述健康模型的训练过程如下：获取水电机组正常状态历史运行数据，采用多尺度数据清洗方法清洗数据中异常点，构建有效健康数据集；所述运行数据包括：有功功率、水头及监测点状态监测量；采用综合相关性分析方法从海量监测点数据中筛选与水电机组运行状态最相关的关键测点，作为机组多源健康评估指标；以有效健康数据集中水电机组的有功功率和水头作为工况参数输入健康模型，以水电机组各个关键测点的状态监测量为输出标签，训练各个关键测点对应的健康模型。3.根据权利要求2所述的方法，其特征在于，所述采用多尺度数据清洗方法清洗数据中异常点，构建有效健康数据集，具体为：将水电机组正常状态历史运行数据输入基于密度的空间噪点聚类算法模型中，以将明显离群点初次滤波，得到相对密集的数据样本；将初次滤波后密集数据样本的工况参数输入高斯混合模型中划分为多个工况区间，以所得高斯分布概率密度函数作为各工况区间运行的工况概率，以各工况区间内工况概率密度均值负对数似然概率的一半作为该工况区间下振动信号的清洗密度阈值；其中，所述密集数据样本的工况参数包括：有效功率和水头；根据各工况区间清洗密度阈值，采用基于密度的空间噪点聚类算法逐工况区间分别对将初次滤波后密集数据样本继续进行清洗，剔除密集异常点，得到有效健康数据集。4.根据权利要求2所述的方法，其特征在于，所述采用综合相关性分析方法从海量监测点数据中筛选与水电机组运行状态最相关的关键测点，具体为：分别计算水电机组工况参数与海量监测点处状态监测量之间的皮尔逊相关系数、最大信息系数和灰色关联度，并对各个监测点的皮尔逊相关系数、最大信息系数和灰色关联度取平均值得到该监测点的综合相关度；取综合相关度大于相关性阈值的多个监测点作为与关键测点。5.根据权利要求1至4任一项所述的方法，其特征在于，分别构建各个关键测点健康状态监测量和实时状态监测量的高斯云模型，并实时计算各关键测点两个高斯云模型的云相似度，且基于云相似度确定各个关键测点的健康指标，具体为：分别将各个关键测点的健康状态监测量和实时状态监测量输入高斯云模型，得到各个关键测点对应的两个高斯云，并确定高斯云的三个数值特征：期望、熵和超熵；
将两个高斯云的三个数值特征分别作为三维坐标映射到三维空间中，两个高斯云映射到三维空间中可视为两个点，两点间距离采用欧式距离计算；以高斯云映射到三维空间中两点的距离D
IJ
代表两个高斯云之间的相似度，两点间距离越大两个高斯云分布相似性度越小；反之，两点越接近甚至重合，则两...

【专利技术属性】
技术研发人员：许颜贺，刘燚，李思樊，曹海滢，陈江龙，赵坤杰，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：